MCP Servers Uppgörelse — 26 maj 2026

1

onchain-mcp

Förenar bankerlös onchains-API med MCP

Inga recensionerGratis

Fullständig recension

Bankless Onchain MCP-server är en ramverk för att interagera med data från on-chain via Bankless API. Den implementerar modellen Context Protocol (MCP) för att tillåta AI-modeller att kunna komma åt blockkedjan state och event data på ett strukturerat sätt. Servern ger olika dataoperationer, inklusive läsning av kontraktsstatus, hämtande av loggposter och hämtning av transaktionshistorik. Den riktar sig till utvecklare och forskare som behöver interagera med blockkedjan data på ett strukturerat sätt. Detta projekt får inte längre uppdateringar, och dess underhållsstatus kan påverka dess stabilitet och tillgänglighet för funktioner.

• Avancerade kontraktshandlingar (läsa kontraktsstatus, hämta proxy, hämta ABI, hämta källkod)
• Händelser och hantering (hämta händelser, bygg händelsetema)
• Transaktionsoperationer (hämta transaktionshistorik, hämta transaktionsinformation)

2

markitdown

Python-verktyg för konvertering av filer och kontorsdokument till Markdown.

Inga recensionerGratis

Fullständig recension

MarkItDown är ett lätthanterligt Python-verktyg för att konvertera olika filer till Markdown för användning med LLMs och relaterade textanalyspipeliner. Det är mest jämförbart med textract, men med fokus på att bevara viktig dokumentstruktur och innehåll som Markdown, inklusive rubriker, listor, tabeller, länkar etc. Utmatningen är ofta rimligt presenterbar och människo-vänlig, men den är tänkt att konsumeras av textanalysverktyg och kan inte vara det bästa alternativet för högkvalitativa dokumentkonverteringar för mänsklig konsumtion. MarkItDown stöder för närvarande konvertering från PDF, PowerPoint, Word, Excel, bilder (EXIF-metadata och OCR), ljud (EXIF-metadata och taltranskription), HTML, textbaserade format (CSV, JSON, XML), ZIP-filer, Youtube-URL:er, EPubs och mycket mer. Det rekommenderas att använda en virtuell miljö för att undvika beroendekonflikter. Med Python 3.10 eller högre kan du installera markitdown med pip: pip install 'markitdown[all]' eller från källkoden med: git clone git@github.com:microsoft/markitdown.git, sedan pip install -e 'packages/markitdown[all]'. Användningen av MarkItDown innebär kommandoradsanrop, antingen genom att ange utdatafilen,管式innehåll eller använda den smalaste convert_*-funktionen för specifika användningsfall.

• Konvertering av PDF, PowerPoint, Word, Excel
• Stöd för bilder (EXIF-metadata och OCR)
• Stöd för ljud (EXIF-metadata och taltranskription)
• Stöd för HTML, textbaserade format (CSV, JSON, XML)
• Stöd för ZIP-filer, Youtube-URL:er, EPubs
• Valbara beroenden för att aktivera olika filformat

3

mcp-clickhouse

mcp-clickhouse MCP-server

Inga recensionerGratis

Fullständig recension

mcp-clickhouse MCP-servern är en MCP-server för ClickHouse. Den har ClickHouse-verktyg, inklusive run_query för att köra SQL-frågor på din ClickHouse-kluster, list_databases för att lista alla databaser på din ClickHouse-kluster, och list_tables för att lista tabeller i en databas med sidbrytning. Dessutom innehåller den chDB-verktyg, som run_chdb_select_query, för att köra SQL-frågor med chDB:s inbyggda ClickHouse-motor. Den tillhandahåller också en Hälsokontrollslutpunkt för att kontrollera serverns hälsa och en säkerhetsmekanism för autentisering. Servern kan konfigureras för interna tjänster, lokal utveckling eller med OAuth / OIDC-autentiseringsleverantörer via FastMCP.

• run_query för att köra SQL-frågor på ClickHouse-kluster
• list_databases för att lista alla databaser på ClickHouse-kluster
• list_tables för att lista tabeller i en databas med sidnumrering
• run_chdb_select_query för att köra SQL-frågor med hjälp av chDB:s inbyggda ClickHouse-motor
• Hälsocheckslägesändpunkt för serverövervakning
• Flera autentiseringslägen, inklusive OAuth och OIDC via FastMCP

MCP Server för QA Sphere TMS är en klient som används för att integrera Large Language Models (LLM) med QA Sphere (QSP) för att förbättra möjligheterna att skapa testscripter. Efter att ha konfigurerat servern (detaljer finns tillgängliga på GitHub) kan LLM-modeller interagera med QA Spheres automatiserade testfall. Genom att utnyttja MCP (Model Callback Protocol) möjliggörs det för utvecklare och testare att snabbt skapa AI-baserade testfall, automatisera uppgifter och köra testsuiter integrerade med QAS Sphere. Lösningen baserad på MCP är användarstödd, vilket möjliggör automatisering av ett brett spektrum av kvalitetssäkringsuppgifter, inklusive upptäckt och utförande av testfall. Dessutom kan du referera till stora språkmodeller, automatisera uppgifter och köra testsuiter integrerade med QA Sphere Testhanteringssystem.

• MCP-server för QA Sphere-testhanteringsystem
• Stöd för interaktion med Större Språkmodeller (LLMs)
• API-åtkomst och konfiguration
• Kompatibel med vilken MCP-klient som helst

5

MemoryMesh

En serversida för kunskapsgrafi som använder Modellkontextprotokollet (MCP) för att tillhandahålla strukturerade minnesinställningar för AI-modeller. v0.2.8

Inga recensionerGratis

Fullständig recension

MemoryMesh är en kunskapsgrafik-server som är utformad för AI-modeller, med fokus på textbaserade RPG:er och interaktiv berättande. Den hjälper till att AI underhåller en konsekvent, strukturerad minnesuppsättning över konversationer, vilket möjliggör rikare och mer dynamiska interaktioner. Projektet är grundat på Kunskapsgrafik Minneservaren från MCP-servers repository och behåller dess kärnfunktionalitet. MemoryMesh ger användare möjlighet att bygga upp och hantera strukturerad information för AI-modeller. MemoryMesh är en lokal kunskapsgrafverktyg som är särskilt lämpligt för textbaserade rpg:ar men kan också användas för sociala nätverkssimulatorer, organisatorisk planering eller vilken scenarioscenario som helst som involverar strukturerade data. Nyckelfunktioner Dynamisk Schema-baserad teknik: Definiera din datamodell med scheman, och MemoryMesh genererar automatiskt verktyg för att lägga till, uppdatera och ta bort data. Intuitiv Schema-design: Skapa scheman som vägleder AI:n i att skapa och sammanlänka noderna med hjälp av krävda fält, uppräknings-typer och relation definitioner. Metadata för AI-övervakning: Använd metadata för att tillhandahålla sammanhang och struktur, och hjälpa AI:n att förstå mening och relationer på din data. Hantering av relationer: Definiera relationer i dina scheman för att uppmuntra AI:n att skapa samband mellan relaterade dataobjekt. Informativ återkoppling: Tillhandahåller felmeddelande till AI:n, vilket underlättar att den lär sig från misstag och förbättras i sitt sätt att interagera med kunskapsgrafen. Eventunderstöd: Ett system med händelser följer åtgärder, som ger insikter i hur kunskapsgrafen används med ändringar. Noder representerar enheter eller koncept inom kunskapsgrafen, var och en med en namn, noderTyp, metadata och vikt. Kanter representerar relationer mellan noder, var och en med en källnoder, målnoder och kantTyp. Scheman är MemoryMesh' hjärta och definierar datatypen med automatiskt genererade verktyg.

• Verktyg för dynamisk schemabaserad verkstad
• Intuitivt schemaformulär
• Metadatabeskrivningar för AI-riktning
• Hantering av förhållanden
• Informativa fält för feedback
• Händelsestöd